Dyna Robotics stellte am Montag DYNA-2 vor, ein neues Roboter-Basismodell, das laut dem Unternehmen mit über einer Million Stunden menschlicher Videos und null Roboterdaten trainiert wurde. Das in den USA ansässige Unternehmen glaubt, dass dieser Ansatz die Kosten- und Skalierbarkeitsherausforderungen angehen könnte, die die Allzweckrobotik eingeschränkt haben – ein Hindernis, das die physische KI hinter anderen Bereichen zurückgehalten hat, in denen groß angelegte Daten-Vortrainings bereits zu schnellen Fähigkeitssteigerungen geführt haben.

Der Engpass bei Trainingsdaten in der Robotik

Ein beständiges Hindernis bei der Entwicklung von Allzweckrobotern ist die Beschaffung ausreichender Trainingsdaten. Die meisten Roboter lernen heute durch Teleoperation, einen Prozess, bei dem ein menschlicher Bediener die Maschine über viele Stunden hinweg manuell durch Aufgaben führt. Diese Methode ist langsam, teuer und schwer zu skalieren, was letztendlich die Fähigkeiten solcher Systeme begrenzt. Das Problem wird in der gesamten Branche weithin anerkannt, wobei Akteure wie Google DeepMind, Tesla und Physical Intelligence stark in alternative Datenstrategien für ihre eigenen Roboter-Basismodelle investieren.

DYNA-2 schlägt einen anderen Weg ein, indem es Roboterdaten vollständig aus der Trainingsphase ausschließt. Stattdessen wurde das Modell ausschließlich mit egozentrischen menschlichen Videos trainiert – Aufnahmen aus der Perspektive einer Person, während sie mit Objekten und ihrer Umgebung interagiert. Laut dem Unternehmen entspricht dieser Datensatz ungefähr 170 Jahren kontinuierlicher Erfahrung.

Today we are introducing Dyna-2, a world-action model pre-trained on one million hours of human video. At this scale, for the first time, we discovered several new scaling laws:

• world-action models exhibit scaling law on human data across four orders of magnitude, from 1000… pic.twitter.com/wZamR0axzS — Dyna Robotics (@DynaRobotics) August 10, 2026

Mitbegründer Jason Ma erklärte die Grundlage dafür: „Aktionsdaten sind knapp, aber Videos gibt es überall." Er argumentierte, dass physische Intuition „direkt aus menschlichen Videos gelernt werden kann", anstatt Millionen von Stunden an Daten zu benötigen, die an einem Roboterarm gesammelt wurden.

Bei hochpräzisen Fertigungsaufgaben hob DYNA-2 die Erfolgsraten von 20 % auf zwischen 80 % und 90 % an. Dyna führt diese Verbesserung auf das bloße Ausmaß des Video-Vortrainings zurück. Bei 15 Benchmark-Aufgaben schnitten Modelle, die mit größeren Mengen an menschlichen Videos trainiert wurden, durchgehend besser ab als solche, die mit kleineren Mengen trainiert wurden. Dieser Befund ähnelt den Skalierungsgesetzen, die die Verarbeitung natürlicher Sprache transformiert haben, bei denen sich die Modellleistung vorhersehbar mit zunehmenden Trainingsdaten und Rechenleistung verbesserte – obwohl die Frage offen bleibt, ob sich diese Prinzipien vollständig auf Aufgaben in der physischen Welt übertragen lassen.

Wie sich DYNA-2s Architektur unterscheidet

Dyna zeichnet sich durch eine neuartige Architektur aus. Anstatt sich auf ein Vision-Language-Modell zu verlassen – den Ansatz, der von Systemen wie Googles RT-2 verwendet wird –, ist DYNA-2 ein auf Videogenerierung basierendes World-Action-Modell. Während des Vortrainings sagt das Modell gleichzeitig den nächsten Videoframe und die nächste Aktion voraus. Dyna sagt, dass dieses doppelte Ziel dem Modell ein internes Verständnis der Kontakthyysik und des räumlichen Denkens verleiht.

Das Unternehmen erwartet, dass das aus menschlichen Videos transferierte Wissen auf verschiedene Roboterplattformen verallgemeinert wird – einschließlich stationärer Arme, humanoider Prototypen und geschickter Hände –, obwohl keines dieser Geräte am Pre-Training beteiligt war. Die Anpassung von DYNA-2 an eine neue Plattform erfordert Berichten zufolge nur wenige Stunden Feintuning statt wochenlange Sammlung neuer Daten. Zum Beispiel berichtet Dyna, dass nur 13 Minuten Feintuning-Daten ausreichten, um Roboterhänden das Abschrauben eines Flaschendeckels beizubringen. Wenn sich dieser plattformübergreifende Transfer unter unabhängiger Evaluierung bewahrheitet, könnte dies die Hürde für den Einsatz fähiger Roboter in verschiedenen Hardwarekonfigurationen deutlich senken.

Realer Einsatz und Zukunftspläne

Dyna betreibt bereits Roboter in kommerziellen Umgebungen, was das Unternehmen von vielen anderen Akteuren im Bereich der Robotik unterscheidet. Die DYNA-1-Roboter des Unternehmens sind Berichten zufolge derzeit in Hotels, Restaurants, Wäschereien und Fitnessstudios im Einsatz. Diese operativen Erfahrungen bieten Dyna Einblicke aus dem realen Einsatz, an denen es vielen forschungsorientierten Robotikunternehmen mangelt.

Dyna wurde von Lindon Gao, York Yang und Jason Ma gegründet, die zuvor bei DeepMind arbeiteten. Die erklärte Roadmap des Unternehmens sieht vor, dieselbe Trainingsmethodik auf 10 Millionen Stunden Video zu skalieren, was als Herausforderung der Datensammlung und nicht als Flottenaufbau charakterisiert wird. Während die Branche beobachtet, ob das videobasierte Pre-Training sein Versprechen einlösen kann, umfassen die Schlüsselfragen, ob die demonstrierten Fortschritte von DYNA-2 über Benchmark-Aufgaben hinaus auf unvorhersehbare reale Umgebungen verallgemeinert werden können und wie schnell Wettbewerber, die alternative Architekturen verfolgen, eine etwaige Lücke schließen können.